Các tác giả đề xuất các phƣơng pháp chia khoảng khác nhau trong các bài báo [2], [6],[9], [10]. Đối với dự báo tuyển sinh, một thí dụ điển hình đó là dự báo số lƣợng tuyển sinh tại trƣờng Đại học Alabama. Song và Chison chọn 1000 là độ dài của khoảng mà không nói rõ lý do chọn. Kể từ đó 1000 đƣợc sử dụng là chiều dài khoảng. Vấn đề là làm thế nào để chọn độ dài khoảng mà có ảnh hƣởng tốt đến kết quả đã không đƣợc giải đáp của các thuật toán đƣa ra trƣớc đây. Thật ra lựa chọn độ dài của khoảng khác nhau có thể dẫn đến kết quả khác nhau.Ví dụ:
Giả sử chúng ta có chuỗi thời gian dữ liệu sau đây: 6,10,12,6,4
Và U = [3, 13]. Nếu chiều dài của khoảng thời gian đƣợc chọn là 5, có hai khoảng thời gian: U1 = [3, 8] và U2 = [8, 13]. Theo mô hình của Chen, MSE là 10. Mặt khác, nếu chiều dài của khoảng thời gian đƣợc thiết lập để 2, có năm khoảng: U1 = [3, 5]; U2 = [5, 7]; U3 = [7, 9]; U4 = [9, 11, và U5 = [11, 3]. MSE là 4,5. Rõ ràng, độ dài của khoảng khác nhau dẫn đến kết quả khác nhau. Nhƣ vậy để xác định độ dài khoảng không phải vấn đề hiển nhiên trong dự báo chuỗi thời gian mờ. Do vậy cách lựa chọn hiệu quả độ dài khoảng là một điểm quan trọng để dự báo trong
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn
chuỗi thời gian mờ. Điểm quan trọng là chọn độ dài có hiệu quả là không quá lớn hoặc không quá nhỏ.
Để phản ánh đƣợc tính chất thay đổi của chuỗi thời gian mờ một cách cảm tính là một nửa sự thay đổi chuỗi thời gian phải đƣợc phản ánh trong sự lựa chọn của chuỗi thời gian. Trong sự thay đổi của chuỗi thời gian mờ có thể biểu hiện bằng giá trị tuyệt đối các hiệu số hai giá trị liên tiếp bất kỳ. Vì vậy một cách cảm tính ta có thế lấy một nửa các giá trị của hiệu đó làm cơ sở. Dựa trên ý tƣởng này hai phƣơng pháp đƣợc đề xuất: dựa trên sự phân bố và dựa trên giá trị trung bình do Huarng [9] đề xuất. Ngoài ra trong mục này chúng tôi còn xét đến hai phƣơng pháp khác là phƣơng pháp chọn độ dài ngẫu nhiên và chọn theo phân bố mật độ [2].